Penerapan Algoritma K-Medoids untuk Klasterisasi Penyakit di Pekanbaru Riau

Tri Juninda, Mustakim Mustakim, Elvia Andri

Abstract


Penyakit merupakan suatu kondisi yang membuat sesorang mengalami penurunan fungsi tubuh dan membuat produktifitas aktivitas menurun. Berdasarkan Riset Kesehatan Dasar tahun 2013 mencatat terdapat beberapa penyakit dengan prevalensi tertinggi di Indonesia yaitu hipertensi, penyakit sendi, dan hepatitis B. Klasterisasi penyakit menggunakan algoritma K-Medoids menghasilkan kelompok terbaik dengan penyakit dominan dalam cluster tersebut. Berdasarkan penelitian yang dilakukan terhadap data penyakit yang sering diderita di Pekanbaru Riau didapatkan hasil 4 cluster sebagai pengklasterisasian terbaik dengan nilai Devies Bouildien Indeks sebesar 0,43 . Pada cluster 1 didapatkan 420 record dengan penyakit dominan adalah Maag sebesar 44,39%, cluster 2 didapatkan 349 record dengan penyakit dominan adalah Diare dan Sakit Perut sebesar 16,98%, pada cluster 3 didapatkan 794 record dengan penyakit dominan adalah Batuk dan Pilek sebesar 65,21% dan pada cluster 4 didapatkan 1248 record dengan penyakit dominan adalah Batuk dan Pilek sebesar 54,10%. Hasil dari penelitian ini menunjukan bahawa algoritma K-Medoids mampu melakukan klasterisasi terhadap penyakit di Pekanbaru Riau.


Full Text:

PDF

References


Kementrian Kesehatan Republik Indonesia. Data Riset Kesehatan Dasar (Riskesdas), 2013.

Madhulatha TS. An Overview on Clustering Methods. IOSR Journal of Engineer. 2012; 2(4): 719-725.

Sabzi A, Farjami Y, Zihayat M. An Improved Fuzzy K-Medoids Clustering Algorithm with Optimized Number of Clusters. IEEE International Conference on Hybrid Intelligent System. Malacca. 2011: 206-210.

Aurora P, Deepali, Varshney S. Analysis of K-Means and K-Medoids Algorithm for Big Data. ScienceDirect Procedia Computer Science. 2016; 78: 507-512.

Arbin N, Suhaimi NS, Mokhtar NZ, Othman Z. Comperative Analysis Between K-Means and K-Medoids form Statistical Clustering. IEEE International Conference on Artificial Intelligence, Modelling and Simulation. Kinabalu. 2015: 117-121.

Tamura Y, Miyamoto S. Two-Stage Clustering Using One-Pass K-Medoids and Medoid-Based Agglomerative Hierarchical Algorithms. IEEE International Conference on Soft Computing and Intelligent Systems and 15th International Symposium on Advanced Intelligent System. Kitakyushu. 2014: 484-488.

Kamila I, Khairunnisa U, Mustakim M. Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi. 2019; 5(1): 119-125.

Zhu Y, Wang F, Shan X, Lv X. K-Medoids Clustering Based on MapReduce and Optimal Search of Medoids. IEEE International Conference on Computer Science & Education. Canada. 2014: 573-577.

Marlina D, Putri NF, Fernando A, Ramadhan A. Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT. 2018; 4(2): 64-71.

Pane DK. Implementasi Data Mining pada Penjualan Produk Elektronik Algoritma Apriori (Studi Kasus: Kreditplus). Jurnal Pelita Informatika. 2013; 4(3): 25-29.

Han J, Pei J, Kamber M. Data Mining: Concept and Techniques. Third Edition. Waltham: Elsevier. 2012.

Beynon-Davies P. Database System. USA: Palgrave Macmillan. 2004

Irwansyah E, Faisal M. Advanced Clustering: Teori dan Aplikasi. Deepublish. 2015: 5-6.

Noordiansyah J, Nhita F, Murdiansyah DT. Prediksi Penyakit Menggunakan Algoritma K-Means dan GA untuk Reduksi Dimensi dengan Mengintegrasikan SVM pada Data Berdimensi Tinggi. E-Proceeding of Engineering. 2016: 3(2): 3755-3762.

Defiyanti S, Jajuli M, Rohmawati N. Optimasi K-Medoid dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan Cubic Clustering Criterion. Jurnal Nasional Teknologi & Sistem Informasi. 2017: 3(1): 211-218.

Syahbana YA. Perancangan dan Implementasi Aplikasi Android Penentu Salient Area pada Vidio dengan Algoritma K-Medoids. Annual Research Seminar. 2016: 2(1): 96-101

Pramesti DF, Furqon M, Dewi C. Implementasi Metode K-Medoids Clustering untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Titik Panas (Hotspot). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2017: 1(9): 723-732.

Dinas Kesehatan Provinsi Riau. Profil Kesehatan Provinsi Riau. 2016.

Vercellis C. Business Intelligence Data Mining and Optimization for Decision Making. Milan: Wiley. 2009.

Han J, Kamber M, Pei J. Data Mining: Concept and Techniques. Morgan Kaupmanh. 2006.

Mustakim. Effectiveness of K-means clustering to distribute training data and testing data on K-nearest neighbor classification. Journal of Theoretical and Applied Information Technology. 95 (21), 5693-5700. 2017

Kamila I, Khairunnisa U, Mustakim M. Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi 5 (1), 119-125. 2019.


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id